博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
动态规划入门-数字三角形(从朴素递归到各种优化)
阅读量:6005 次
发布时间:2019-06-20

本文共 3013 字,大约阅读时间需要 10 分钟。

数字三角形(POJ1163)

Description

7 3   8 8   1   0 2   7   4   4 4   5   2   6   5

 

在上面的数字三角形中寻找一条从顶部到底边的路径,使得

路径上所经过的数字之和最大。路径上的每一步都只能往左下或
右下走。只需要求出这个最大和即可,不必给出具体路径。
三角形的行数大于1小于等于100,数字为 0 - 99

输入格式:

5 //三角形行数。下面是三角形
7
3 8
8 1 0
2 7 4 4
4 5 2 6 5

要求输出最大和

 

Sample Output

30

Source

 
 

解题思路:

用二维数组存放数字三角形。
D( r, j) : 第r行第 j 个数字(r,j从1开始算)
MaxSum(r, j) : 从D(r,j)到底边的各条路径中,
最佳路径的数字之和。
问题:求 MaxSum(1,1)
典型的递归问题。
D(r, j)出发,下一步只能走D(r+1,j)或者D(r+1, j+1)。故对于N行的三角形:
if ( r == N)
MaxSum(r,j) = D(r,j)
else
MaxSum( r, j) = Max{ MaxSum(r+1,j), MaxSum(r+1,j+1) } + D(r,j)

改进

如果每算出一个MaxSum(r,j)就保存起来,下次用

到其值的时候直接取用,则可免去重复计算。

 

递归转成递推

“人人为我”递推型动归 Pascal代码

1 //By LYLtim 2 //2010.10.18 3 uses math; 4 var n,i,j:byte; 5     a:array[1..10,1..10]of word; 6     f:array[1..10,1..10]of word; 7 begin 8     assign(input,'tower.in');reset(input); 9     assign(output,'tower.out');rewrite(output);10     readln(n);11     for i:=1 to n do12         begin13             for j:=1 to i do14                 read(a[i,j]);15             readln;16         end;17     fillchar(f,sizeof(f),0);18     for i:=1 to n do f[n,i]:=a[n,i];19     for i:=n-1 downto 1 do20         for j:=1 to i do21             f[i,j]:=max(f[i+1,j],f[i+1,j+1])+a[i,j];22     writeln('max=',f[1,1]);23     close(input);close(output);24 end.

空间优化

没必要用二维maxSum数组存储每一个MaxSum(r,j),只要从底层一行行向上

递推,那么只要一维数组maxSum[100]即可,即只要存储一行的MaxSum值就
可以。

进一步考虑,连maxSum数组都可以不要,直接用D的

第n行替代maxSum即可。
节省空间,时间复杂度不变

 

递推+空间优化 C++代码
1 //By LYLtim 2 //2015.2.11 3 #include 
4 #include
5 using namespace std; 6 int main() 7 { 8 int n, d[101][101]; 9 cin >> n;10 for (int i = 1; i <= n; i++)11 for (int j = 1; j <= i; j++)12 cin >> d[i][j];13 for (int i = n-1; i >= 1 ; i--)14 for (int j = 1; j <= i; j++)15 d[n][j] = max(d[n][j], d[n][j+1]) + d[i][j];16 cout << d[n][1];17 }

 

递归到动规的一般转化方法

递归函数有n个参数,就定义一个n维的数组,数组

的下标是递归函数参数的取值范围,数组元素的值
是递归函数的返回值,这样就可以从边界值开始,
逐步填充数组,相当于计算递归函数值的逆过程。

 

动规解题的一般思路

1. 将原问题分解为子问题
 把原问题分解为若干个子问题,子问题和原问题形式相同
或类似,只不过规模变小了。子问题都解决,原问题即解
决(数字三角形例)。
 子问题的解一旦求出就会被保存,所以每个子问题只需求
解一次。

2. 确定状态

 在用动态规划解题时,我们往往将和子问题相
关的各个变量的一组取值,称之为一个“状
态”。一个“状态”对应于一个或多个子问题,
所谓某个“状态”下的“值”,就是这个“状
态”所对应的子问题的解。

所有“状态”的集合,构成问题的“状态空间”。“状态

空间”的大小,与用动态规划解决问题的时间复杂度直接相关。
在数字三角形的例子里,一共有N×(N+1)/2个数字,所以这个
问题的状态空间里一共就有N×(N+1)/2个状态。
整个问题的时间复杂度是状态数目乘以计算每个状态所需
时间。
在数字三角形里每个“状态”只需要经过一次,且在每个
状态上作计算所花的时间都是和N无关的常数。

用动态规划解题,经常碰到的情况是,K个整型变量能

构成一个状态(如数字三角形中的行号和列号这两个变量
构成“状态”)。如果这K个整型变量的取值范围分别是
N1, N2, ……Nk,那么,我们就可以用一个K维的数组
array[N1] [N2]……[Nk]来存储各个状态的“值”。这个
“值”未必就是一个整数或浮点数,可能是需要一个结构
才能表示的,那么array就可以是一个结构数组。一个
“状态”下的“值”通常会是一个或多个子问题的解。

3. 确定一些初始状态(边界状态)的值

以“数字三角形”为例,初始状态就是底边数字,值
就是底边数字值。

4. 确定状态转移方程

定义出什么是“状态”,以及在该 “状态”下的“值”后,就要
找出不同的状态之间如何迁移――即如何从一个或多个“值”已知的
“状态”,求出另一个“状态”的“值”(“人人为我”递推型)。状
态的迁移可以用递推公式表示,此递推公式也可被称作“状态转移方
程”。

 

能用动规解决的问题的特点

1) 问题具有最优子结构性质。如果问题的最优解所包含的
子问题的解也是最优的,我们就称该问题具有最优子结
构性质。
2) 无后效性。当前的若干个状态值一旦确定,则此后过程
的演变就只和这若干个状态的值有关,和之前是采取哪
种手段或经过哪条路径演变到当前的这若干个状态,没
有关系。

转载于:https://www.cnblogs.com/LYLtim/p/4286150.html

你可能感兴趣的文章
Naive Bayes(朴素贝叶斯算法)[分类算法]
查看>>
springMVC-上传图片
查看>>
作业 回文和重载
查看>>
编程语言分类及python所属类型
查看>>
SpringMVC
查看>>
hbase基本概念和hbase shell常用命令用法
查看>>
sqlserver 2008 R2扩展事件
查看>>
make: *** [sapi/cli/php] Error 1解决方法
查看>>
linux一条命令添加用户并设置密码
查看>>
一个正则
查看>>
linux下samba服务搭建
查看>>
js上传图片
查看>>
OSPF中224.0.0.5和 224.0.0.6两个地址的具体区别是什么?
查看>>
jQuery的简单小结
查看>>
对嵌入式限制的windows 7的一点思考及配置 (二)
查看>>
traceroute 的工作原理是什么
查看>>
启动提示 Starting HAL daemon:[FAILED]
查看>>
我的友情链接
查看>>
HDU2660 Accepted Necklace
查看>>
认真写博客也是一种学习
查看>>